बेज़ प्रमेय (Bayes' Theorem) क्या है?
बेज़ प्रमेय बताता है कि नए सबूत B के मिलने पर किसी परिकल्पना (hypothesis) A की प्रायिकता को कैसे अपडेट किया जाए। यह आपकी प्रायर (prior) यानी शुरुआती धारणा को पोस्टीरियर (posterior) यानी अद्यतन धारणा में बदल देता है — इसके लिए यह तौलता है कि परिकल्पना सही होने पर वह सबूत कितना संभावित है, बनाम वह सबूत कुल मिलाकर कितना संभावित है। यह सिद्धांत आँकड़ाशास्त्र (statistics), मशीन लर्निंग, मेडिकल डायग्नोसिस, स्पैम फ़िल्टरिंग और अनिश्चितता में तर्कसंगत निर्णय लेने की बुनियाद है।
इस कैलकुलेटर का इस्तेमाल कैसे करें
तीन प्रायिकताएँ डालें, हर एक 0 और 1 के बीच:
- P(A) — प्रायर प्रायिकता, यानी परिकल्पना के सही होने की शुरुआती संभावना (जैसे किसी बीमारी की बेस रेट)।
- P(B|A) — लाइकलीहुड: जब A सही है तब सबूत दिखने की प्रायिकता (जैसे टेस्ट की सेंसिटिविटी)।
- P(B|¬A) — फॉल्स-पॉज़िटिव दर: जब A गलत है तब भी सबूत दिखने की प्रायिकता।
कैलकुलेटर कुल प्रायिकता के नियम (law of total probability) से सबूत की कुल प्रायिकता \(P(B)\) अपने-आप निकाल लेता है, और फिर पोस्टीरियर \(P(A \mid B)\) का नतीजा देता है।
फ़ॉर्मूला समझें
मूल समीकरण है \(P(A \mid B) = \frac{P(B \mid A) \cdot P(A)}{P(B)}\)। चूँकि \(P(B)\) सीधे शायद ही पता होती है, इसलिए हम इसे इस तरह खोलते हैं:
$$P(A \mid B) = \frac{\text{P(B|A)} \cdot \text{P(A)}}{\text{P(B|A)} \cdot \text{P(A)} + \text{P(B|¬A)} \cdot \left(1 - \text{P(A)}\right)}$$यह ट्रू-पॉज़िटिव और फॉल्स-पॉज़िटिव दोनों योगदानों को जोड़कर बताता है कि सबूत कुल मिलाकर कितनी बार दिखता है।
हल किया हुआ उदाहरण
मान लीजिए कोई बीमारी 1% लोगों को होती है, यानी \(P(A) = 0.01\)। एक टेस्ट बीमार लोगों को 90% बार सही पकड़ लेता है, \(P(B \mid A) = 0.9\), लेकिन इसकी फॉल्स-पॉज़िटिव दर 8% भी है, \(P(B \mid \lnot A) = 0.08\)। तब $$P(B) = 0.9 \times 0.01 + 0.08 \times 0.99 = 0.009 + 0.0792 = 0.0882$$ पोस्टीरियर होगी $$P(A \mid B) = \frac{0.009}{0.0882} \approx 0.102$$ यानी लगभग 10.2%। टेस्ट "पॉज़िटिव" आने के बावजूद मरीज़ के स्वस्थ होने की संभावना ज़्यादा है — यह बेस-रेट नेगलेक्ट (base-rate neglect) का एक मशहूर उदाहरण है।
पूर्वानुमान विभिन्न परिदृश्यों के आर-पार कैसे बदलता है
बेयस प्रमेय एक पूर्व संभाव्यता \(P(A)\), एक सत्य-सकारात्मक दर (संभाव्यता) \(P(B \mid A)\), और एक असत्य-सकारात्मक दर \(P(B \mid \neg A)\) को एक अपडेट की गई पश्च संभाव्यता \(P(A \mid B)\) में जोड़ता है। परिणाम की एकमात्र सबसे आश्चर्यजनक विशेषता आधार दर \(P(A)\) के प्रति इसकी संवेदनशीलता है: जब एक स्थिति दुर्लभ होती है, तब भी एक अत्यधिक सटीक परीक्षण एक कम पश्च संभाव्यता उत्पन्न करता है। नीचे दी गई तालिका परीक्षण विशेषताओं को कुछ स्थानों पर स्थिर रखती है और उस निर्भरता को दृश्यमान बनाने के लिए इनपुट को अलग करती है।
| परिदृश्य | पूर्व P(A) | संभाव्यता P(B|A) | असत्य-सकारात्मक P(B|¬A) | पश्च P(A|B) |
|---|---|---|---|---|
| दुर्लभ स्थिति, सटीक परीक्षण | 0.01 | 0.99 | 0.05 | 0.1667 |
| दुर्लभ स्थिति, कम असत्य-सकारात्मक दर | 0.01 | 0.99 | 0.01 | 0.5 |
| मध्यम आधार दर, सटीक परीक्षण | 0.10 | 0.99 | 0.05 | 0.6875 |
| सामान्य स्थिति, सटीक परीक्षण | 0.50 | 0.99 | 0.05 | 0.9519 |
| दुर्लभ स्थिति, उच्च असत्य-सकारात्मक दर | 0.01 | 0.90 | 0.20 | 0.0435 |
पहली दो पंक्तियों को पढ़ने से पता चलता है कि असत्य-सकारात्मक दर को 0.05 से 0.01 तक कम करने से पश्च को लगभग 17% से 50% तक बढ़ाया जाता है, भले ही आधार दर और संवेदनशीलता अपरिवर्तित हों। पंक्तियों एक, तीन और चार को पढ़ने से पता चलता है कि जैसे-जैसे पूर्व 1% से 50% तक बढ़ता है, वही परीक्षण पश्च को लगभग 17% से लगभग 95% तक धकेलता है। अंतिम पंक्ति विपरीत चरम को दर्शाती है: एक दुर्लभ स्थिति उच्च असत्य-सकारात्मक दर के साथ मिलकर 90% सत्य-सकारात्मक दर के बावजूद पश्च को 5% से कम रखती है।
अपनी पश्च संभाव्यता की व्याख्या करना
पश्च \(P(A \mid B)\) यह संभाव्यता है कि परिकल्पना \(A\) सत्य है के बाद आपने साक्ष्य \(B\) को देखा है। यह व्यावहारिक प्रश्न का उत्तर देता है "इस सकारात्मक परिणाम को देखते हुए, स्थिति वास्तव में मौजूद होने की कितनी संभावना है?" — जो आमतौर पर वह है जो एक निर्णय निर्माता जानना चाहता है।
पश्च को संभाव्यता \(P(B \mid A)\) के साथ भ्रमित न करना महत्वपूर्ण है। संभाव्यता (अक्सर परीक्षण संदर्भ में संवेदनशीलता या सत्य-सकारात्मक दर कहा जाता है) साक्ष्य को देखने की संभाव्यता है यह मानते हुए कि \(A\) सत्य है। ये दोनों सशर्त संभाव्यताएं विपरीत दिशाओं में इशारा करती हैं, और वे विशेष मामलों में केवल समान होती हैं। एक परीक्षण में 99% सत्य-सकारात्मक दर हो सकती है फिर भी 99% से बहुत कम एक पश्च उत्पन्न कर सकती है — यह अंतर आधार दर और असत्य-सकारात्मक दर द्वारा संचालित होता है।
आधार दर \(P(A)\) इस अंतराल के पीछे का इंजन है। जब \(A\) दुर्लभ होता है, तो सत्य मामलों का पूल छोटा होता है, इसलिए बड़ी \(\neg A\) जनसंख्या पर लागू की गई मामूली असत्य-सकारात्मक दर भी अधिक असत्य सकारात्मक उत्पन्न कर सकती है सत्य सकारात्मक की तुलना में। आधार दर को नजरअंदाज करना और एक सकारात्मक परिणाम को निकट-निश्चित के रूप में पढ़ना सुप्रसिद्ध आधार दर भ्रांति है।
अंत में, बेयसियन अपडेटिंग पुनरावृत्तीय है। एक बार जब आप एक पश्च की गणना करते हैं, तो यह अगले स्वतंत्र साक्ष्य के लिए पूर्व के रूप में काम कर सकता है। उदाहरण के लिए, दूसरा सकारात्मक परीक्षण देखना का अर्थ है कि आप पहले पश्च को \(P(A)\) के रूप में फीड करते हैं और फिर से अपडेट करते हैं। दोहराया गया स्वतंत्र साक्ष्य क्रमिक रूप से अनुमान को परिष्कृत करता है, जो यह है कि बेयसियन तर्क क्रमिक परीक्षण, स्पैम फ़िल्टरिंग, और कई मशीन-लर्निंग मॉडल को रेखांकित करता है।
मुख्य शर्तें और चर
- पूर्व — \(P(A)\)
- साक्ष्य को देखने से पहले परिकल्पना \(A\) को सौंपी गई संभाव्यता। परीक्षण संदर्भ में यह स्थिति की व्यापकता या आधार दर है।
- संभाव्यता — \(P(B \mid A)\)
- जब \(A\) सत्य होता है तब साक्ष्य \(B\) को देखने की संभाव्यता। एक निदानात्मक परीक्षण के लिए यह संवेदनशीलता या सत्य-सकारात्मक दर है।
- असत्य-सकारात्मक दर — \(P(B \mid \neg A)\)
- जब \(A\) असत्य होता है तब साक्ष्य \(B\) को देखने की संभाव्यता। यह एक निदानात्मक परीक्षण के लिए \(1 - \text{विशिष्टता}\) के बराबर है।
- साक्ष्य / सीमांत संभाव्यता — \(P(B)\)
- सभी परिकल्पनाओं के तहत साक्ष्य को देखने की कुल संभाव्यता, कुल संभाव्यता के नियम द्वारा \(P(B) = P(B \mid A)\,P(A) + P(B \mid \neg A)\,\bigl(1 - P(A)\bigr)\) के रूप में गणना की गई। यह वह भाजक है जो पश्च को सामान्य करता है।
- पश्च — \(P(A \mid B)\)
- साक्ष्य \(B\) के लिए जिम्मेदार होने के बाद \(A\) की अपडेट की गई संभाव्यता। यह बेयस प्रमेय का आउटपुट है।
- आधार दर
- पूर्व \(P(A)\) का एक अन्य नाम — जनसंख्या में परिकल्पना की अंतर्निहित आवृत्ति, किसी भी विशिष्ट परीक्षण परिणाम से स्वतंत्र।
- बेयस प्रमेय
- इन मात्राओं को संबंधित करने वाला नियम: \(P(A \mid B) = \dfrac{P(B \mid A)\,P(A)}{P(B)}\)। संकेतन \(P(X \mid Y)\) "दिया गया \(Y\), \(X\) की संभाव्यता" पढ़ता है, और \(\neg A\) परिकल्पना के पूरक "नहीं \(A\)" को दर्शाता है।
अक्सर पूछे जाने वाले सवाल
उदाहरण में पोस्टीरियर इतनी कम क्यों आई? क्योंकि बीमारी दुर्लभ है, इसलिए स्वस्थ लोगों में फॉल्स-पॉज़िटिव की संख्या बीमार लोगों के ट्रू-पॉज़िटिव से कहीं ज़्यादा होती है।
अगर मुझे \(P(B)\) पहले से पता हो तो? आप \(P(B \mid \lnot A)\) को इस तरह समायोजित कर सकते हैं कि कुल मेल खा जाए, पर एकरूपता के लिए यह टूल हमेशा कुल प्रायिकता के नियम से ही \(P(B)\) निकालता है।
क्या इनपुट का योग 1 होना ज़रूरी है? नहीं। हर इनपुट 0 और 1 के बीच एक स्वतंत्र प्रायिकता है; सिर्फ़ \(P(A)\) और \((1 - P(A))\) एक-दूसरे के पूरक हैं।
